本研究提出了多种改进的UNet架构用于医学图像分割，如UNet++、UNet 3+和MS-UNet，优化了特征融合和深度监督，提升了分割精度和效率。新模型Perspective+ Unet和LV-UNet在多个数据集上表现优异，解决了现有模型的局限性，具有广泛应用潜力。

本文探讨了NeRF在图像视角合成中的应用及改进，特别是在大规模三维场景中的表现。研究提出了多种方法，如引入深度监督、使用事件相机和红外热成像技术，以提高渲染质量和鲁棒性。新方法EBAD-NeRF和E$^3$NeRF有效解决了运动模糊问题，展示了在动态和低光环境下的应用潜力。

本文介绍了多种改进神经辐射场（NeRF）的方法，如Deblur-NeRF、ConsistentNeRF和D"aRF，旨在提升稀疏视图下的图像重建质量和新视角合成性能。这些方法通过深度监督、几何约束和物理先验等技术，成功应对模糊和视角不足的挑战，显著提升了性能。

本文介绍了一种新方法，通过深度先验优化神经光辐射场模型，实现高保真度的新视角合成。该方法结合深度监督和几何约束，在少量输入图像下显著提升视图合成性能，并在多个数据集上取得了先进结果。

本文提出了一种基于扩散先验的文本到3D模型生成新方法，结合深度监督和密度场正则化，显著提升了几何表示和图像质量。实验结果表明，该方法在真实感和多视角一致性方面优于现有技术，并在T$^3$Bench数据集上取得了最先进的性能。